National and Kapodistrian University of Athens
Πρόσφατες τεχνικές μηχανικής-μάθησης για την πρόβλεψη παθήσεων του θώρακα από ακτινογραφίες θώρακος
Abstract
dc:descriptionΤα τελευταία χρόνια, η αυξανόμενη χρήση της ιατρικής απεικόνισης έχει ασκήσει σημαντική πίεση στους ακτινολόγους. Η βαθιά μάθηση παρέχει μια πολλά υποσχόμενη λύση για αυτόματη ανάλυση ιατρικής εικόνας και υποστήριξη κλινικών αποφάσεων. Έτσι, έχουν καταστεί απαραίτητες γρήγορες και αποτελεσματικές μέθοδοι ταξινόμησης των ασθενειών και δημιουργίας αναφορών. Σε αυτή την εργασία, παρουσιάζουμε πρόσφατες μελέτες σχετικά με τις διάφορες τεχνικές βαθιάς μάθησης που μπορούν να επεξεργαστούν τις ακτινογραφίες θώρακα και είναι ικανές να ανιχνεύσουν διαφορετικές παθήσεις του θώρακα. Επικεντρωνόμαστε σε άμεσα συγκρίσιμες μεθόδους, με την έννοια ότι χρησιμοποιούν τα ίδια αξιόπιστα σύνολα δεδομένων και αξιολογούνται χρησιμοποιώντας κοινές μετρικές αξιολόγησης και επομένως μπορούν να χρησιμοποιηθούν ως ομοιογενές εφαλτήριο για περαιτέρω έρευνα. Οι μέθοδοι που παρουσιάζονται είναι οι ConVirt, GLoRIA, MedCLIP, CheXzero, MedKLIP, BioVil, Unichest και KAD. Όλες αυτές οι μέθοδοι μπορούν να μειώσουν αποτελεσματικά την πολυπλοκότητα της διάγνωσης και να βοηθήσουν τους ακτινολόγους. Επιπρόσθετα, αναλύουμε τα σύνολα δεδομένων για προ-εκπαίδευση και κατιούσα επεξεργασία (downstreaming), τις μετρικές αξιολόγησης (AUC, ACC, F1, AP) που χρησιμοποιούνται στην ταξινόμηση, καθώς και ορισμένα πειραματικά αποτελέσματα των μεθοδολογιών μηχανικής μάθησης που περιλαμβάνουν συγκρίσεις των υπό εξέταση μεθόδων και επίδειξη της ανωτερότητας ορισμένων μοντέλων έναντι άλλων στην ταξινόμηση μηδενικής-βολής (zero-shot) και κατιούσας επεξεργασίας (downstreaming). Για παράδειγμα, το μοντέλο Unichest επαληθεύει την αποτελεσματικότητά του έναντι των άλλων βασικών μεθόδων χρησιμοποιώντας το όφελος από τη συνεργασία πολλαπλών πηγών ακτινογραφιών θώρακος, ενώ μειώνει την αρνητική επίδραση της ετερογένειας της πηγής.
Author and committee
dc:creator, dc:contributor.*- Authors dc:creator
-
- Μπανιά Μαρία
- Mpania Maria
Subjects
dc:subject × 2Rights
- Language dc:language
- English
Identifiers
dc:identifier.*- Identifier
- uoadl:3414343